量化进阶：基于 L2 限价订单簿 (LOB) 的微观结构特征工程与深度学习预测

量化进阶：基于 L2 限价订单簿 (LOB) 的微观结构特征工程与深度学习预测

在量化交易的江湖里，有一个公开的秘密：价格不是平滑移动的，而是由一笔笔限价单（Limit Orders）的挂单、撤单和市价单（Market Orders）的成交强行“推”出来的。

当你能获取到交易所的Level 2 逐笔数据（包含买卖十档行情、逐笔成交、逐笔委托）时，你就拥有了观察市场“内脏”的显微镜。本文将探讨如何从这些杂乱的微观数据中提取具有预测威力的特征，并利用深度学习捕捉瞬时的 Alpha。

1. 什么是 LOB（限价订单簿）？

限价订单簿是买卖盘力量对比的实时快照。它通常由买入侧（Bids）和卖出侧（Asks）组成，每一档包含价格和该价格上的挂单量。

微观结构的核心逻辑：

• 如果买一档（Bid 1）的挂单量远大于卖一档（Ask 1），说明买方力量雄厚，价格大概率向上跳动。
• 如果成交笔数中主动买入（外盘）远多于主动卖出（内盘），说明场外资金在疯狂扫货。

2. 硬核特征工程：量化因子的“微观化”

处理 LOB 数据时，我们不再看 RSI 或 MACD。我们需要构造反映即时供需失衡的因子。以下是量化私募中最常用的三类微观特征：

2.1 订单簿失衡因子 (Order Book Imbalance, OBI)

这是最经典、最有效的因子。它衡量买卖一档（或前五档）深度的相对强弱。

I=Vbid−VaskVbid+Vask I = \frac{V_{bid} - V_{ask}}{V_{bid} + V_{ask}}I=Vbid​+Vask​Vbid​−Vask​​

其中VbidV_{bid}Vbid​是买盘量，VaskV_{ask}Vask​是卖盘量。III趋近 1 表示买压极强，趋近 -1 表示卖压极强。

2.2 订单流失衡因子 (Order Flow Imbalance, OFI)

OBI 只看状态，而 OFI 看的是变化。它捕捉在极短时间内，挂单量的增加、撤单和成交导致的档位净变化。

2.3 宽度与深度 (Spread & Depth)

• 买卖价差 (Bid-Ask Spread)：衡量流动性成本。价差骤然扩大往往预示着波动即将来临。
• 订单簿斜率 (Slope)：衡量价格变动一个单位所需的资金量，斜率越陡，说明流动性越好，价格越难被“砸动”。

---

3. Python 实战：极速处理逐笔数据

处理 L2 数据最大的挑战是数据量。一天的 A 股全市场逐笔数据可能高达数 GB。我们必须使用向量化操作来提取特征。

importpandasaspdimportnumpyasnpdefextract_lob_features(df_lob):""" df_lob: 包含 BidPrice1-10, BidSize1-10, AskPrice1-10, AskSize1-10 的 DataFrame """# 1. 计算买卖一档失衡度 (OBI)df_lob['obi_l1']=(df_lob['BidSize1']-df_lob['AskSize1'])/\(df_lob['BidSize1']+df_lob['AskSize1'])# 2. 计算加权平均中间价 (WAP - Weighted Average Price)# 相比普通中间价，WAP 考虑了深度，更能反映真实价值df_lob['wap']=(df_lob['BidPrice1']*df_lob['AskSize1']+df_lob['AskPrice1']*df_lob['BidSize1'])/\(df_lob['BidSize1']+df_lob['AskSize1'])# 3. 计算价格波动 (Volatility) - 滚动 100 行（微观时间尺度）df_lob['micro_vol']=df_lob['wap'].pct_change().rolling(100).std()# 4. 计算多档位综合失衡度 (前5档)bid_vsum=df_lob[[f'BidSize{i}'foriinrange(1,6)]].sum(axis=1)ask_vsum=df_lob[[f'AskSize{i}'foriinrange(1,6)]].sum(axis=1)df_lob['obi_all']=(bid_vsum-ask_vsum)/(bid_vsum+ask_vsum)returndf_lob.dropna()

4. 深度学习预测：为何选择 CNN + LSTM？

微观数据具有极强的空间属性（不同档位的分布）和时间属性（历史成交的影响）。因此，目前工业界流行的架构是：

1. CNN (卷积神经网络)：将十档买卖盘看作一幅“图像”，利用 1D 卷积捕捉档位之间的空间关联。
2. LSTM / Transformer：捕捉时间序列上的动态演变。

实战模型设计思路：
输入一个形状为(Sequence_Length, 40)的张量（40 代表 10 档的价格和量），预测未来 10 个 Tick 内的价格变动方向（上涨、平盘、下跌）。

importtorch.nnasnnclassLOBPredictor(nn.Module):def__init__(self):super(LOBPredictor,self).__init__()# 卷积层：提取空间特征（档位间的关系）self.conv=nn.Sequential(nn.Conv1d(in_channels=40,out_channels=64,kernel_size=3,padding=1),nn.ReLU(),nn.BatchNorm1d(64))# 循环层：提取时间特征（趋势演变）self.lstm=nn.LSTM(input_size=64,hidden_size=128,num_layers=2,batch_first=True)# 输出层：3分类（下、平、上）self.fc=nn.Linear(128,3)defforward(self,x):# x: [batch, seq_len, 40] -> 转置以适配 Conv1dx=x.transpose(1,2)x=self.conv(x).transpose(1,2)_,(hn,_)=self.lstm(x)out=self.fc(hn[-1])# 取最后一层最后一个时间步returnout

5. 总结与进阶警告

基于 LOB 的微观结构研究是通往高频交易的必经之路。但请注意，这个领域的**“信噪比”**极低。

1. 撤单陷阱 (Spoofing)：大单可能只是诱饵，瞬间撤单。你的特征工程必须能够识别出哪些是“真动作”，哪些是“假挂单”。
2. 执行算法 (Execution)：预测对方向只是第一步，如何以最低的冲击成本进场才是关键。你需要配合VWAP或TWAP拆单算法来执行。
3. 算力竞赛：当你还在用 Python 处理特征时，你的竞争对手可能已经用FPGA把逻辑固化在硬件里了。